تشخیص بیماری تب کریمه‌کنگو با استفاده از درخت تصمیم C4.5

مقدمه: با شروع فصل تابستان، بیماری بین انسان و حیوان، یعنی تب کریمه‌کنگو به سرعت شیوع پیدا می‌کند. تشخیص این بیماری با استفاده از آزمایش‌های لازم، در کمترین حالت زمانی حدود یک هفته به طول می‌انجامد. روش‌های داده‌کاوی و یادگیری ماشین متعددی برای ایجاد مدل‌های پیشگویی‌کننده جهت شناسایی افراد در معرض خطر وجود دارد. در این پژوهش از درخت تصمیم C4.5 به دلیل سادگی و کارآمدی‌‌اش به منظور تشخیص این بیماری استفاده شده است. روش: این پژوهش از نوع کاربردی و توصیفی است. در این پژوهش از داده‌های مربوط به افراد مظنون به بیماری تب کریمه‌کنگو استفاده شد. این داده‌ها در یک دوره‌ 4 ساله از سال 1393 از مراکز درمانی کشور جمع‌آوری شد. این پایگاه‌ داده شامل 965 رکورد و 28 ویژگی است. ابتدا با استفاده از روش انتخاب ویژگی برنامه‌نویسی درجه دو، متغیرهای مؤثر و تأثیرگذار بر مدل انتخاب و سپس درخت تصمیم C4.5 با به ‌کارگیری متغیرهای ورودی و تعیین متغیر هدف ایجاد گردید. تجزیه‌و‌تحلیل داده‌ها به کمک نرم‌افزار Matlab صورت گرفت. نتایج: با توجه به مدل مشخص شد که متغیرهایی همچون تب، خون‌ریزی، شروع ناگهانی علائم، افزایش آنزیم‌های کبدی، افزایش بیلی روبین توتال، کاهش هموگلوبین، Hematuria، Leukocytosis، Proteinuria و Leukopenia بیشترین تأثیر را در تشخیص به این بیماری دارند. نتیجه­ گیری: نتایج نشان می‌دهد که معیار حساسیت مدل پیشنهادی، 95‌% و معیار تشخیص آن 50‌% است که در مقایسه با مطالعات انجام‌شده دیگر در حوزه داده‌کاوی پزشکی، از اثربخشی قابل قبولی در تشخیص این بیماری برخوردار است.